Технический лидер GenAI-направления

Что предстоит делать

Мы активно развиваем GenAI-направление в hh.ru. Уже сейчас в разных командах используются LLM-модели для генерации текстов, ведения диалогов, классификации и анализа вакансий и резюме. Направление является для нас стратегическим, поэтому сейчас мы ищем технического лидера, который поможет выстроить в компании системный подход к обучению и адаптации LLM-моделей под задачи HR-домена. Если вам интересно закладывать основу для устойчивого использования GenAI в продуктах — через LLM-модели, датасеты, метрики, процессы, которыми будут пользоваться десятки команд, и вы смотрите на ML не просто как на технологию, а как на инструмент влияния на продукт — мы будем рады видеть вас в нашей команде.

• Файнтюнинг Open Source LLM-моделей для решения HR-задач (генерация описания вакансий, общение с клиентами, анализ резюме, модерация и т.п.).
• Исследование и внедрение современных архитектур, а также подходов к обучению моделей.
• Создание и поддержка специализированных датасетов для адаптации моделей под HR-домен.
• Оптимизация моделей для production-среды (квантизация, дистилляция).
• Тесное взаимодействие с продуктовыми командами, командами оценки качества и MLOps для интеграции моделей в продукты и сервисы hh.
• Разработка стандартов и процессов обучения моделей и помощь другим командам в их внедрении.

Что ждём от вас

• Глубокое понимание современных архитектур и методов обучения языковых моделей.
• Практический опыт файнтюнинга различных LLM под продуктовые задачи (SFT, PEFT, RLHF, LoRA, PPO, DPO, GRPO).
• Уверенное владение Python и экосистемой ML и LLM-инструментов (PyTorch, TRL, Accelerate, PEFT, Transformers, VLLM, etc).
• Живой интерес к сфере GenAI, опыт работы с популярными вендорными и open-source моделями (Qwen, Llama, DeepSeek, GPT-OSS).
• Практический опыт создания решений на базе LLM (prompt engineering, RAG, function calling, structured outputs, reasoning, agents).
• Понимание методов оценки качества LLM (бенчмарки, human eval, LLM-as-as-Judge) и метрик для различных NLP-задач.
• Умение балансировать исследовательские задачи и бизнес-требования.
• Будет плюсом
• Опыт распределенного обучения LLM на GPU-кластерах.
• Опыт внедрения LLM-решений в продакшн.

Что предлагаем